13518219792
最近在陆续做机房升级相关工作，配合DBA对产线数据库链接方式做个调整，将原来直接链接读库的地址切换到统一的读负载均衡的代理 haproxy 上，方便机柜和服务器的搬迁。
切换之后线上时不时的会发生 discard connection 错误，导致程序报 500 错误，但不是每次都必现的。
开发框架: spring boot+mybatis+druid+shardingJDBC
网络架构:
appserver->mysql(master) 写
appserver->haproxy->mysql(slave)/n 读
第一反应肯定是因为这次的读库地址的变动引起的问题，觉得问题应该是 druid 链接池中的 connection 保活策略没起作用，只要做下配置修改应该就可以了。结果这个问题让我们排查了好几天，我们竟然踩到了千年难遇的深坑。
这个问题排查的很坎坷，一次次的吐血，最终我们定位到问题并且优雅的修复了，我们一起来体验下这个一次一次让你绝望一次一次打脸的过程。
先说故障症状，经常出现如下错误：
discard connection
com.mysql.jdbc.exceptions.jdbc4.CommunicationsException: Communications link failureThe last packet successfully received from the server was 72,557 milliseconds ago. The last packet sent successfully to the server was 0 milliseconds ago.
根据错误日志初步判断肯定是与 db 之间的链接已经断开，尝试使用了一个已经断开的链接才会引起这个错误发生。但是根据我们对 druid 了解，druid 有链接检查功能，按理不会拿到一个无效链接才对，带着这个线索我们上路了。
为了准确的知道 db 的链接的存活时间，了解到 haproxy 对转发的 db tcp 链接空闲时间在 1m 之内，超过 1m 不活动就会被关掉。也就说我们与 db 之间的原来的长链接在 1m 之内会被断开。我们先不管这个时间设置的是否符合所有的大并发场景，至少在 druid 的链接池里会有有效链接检查，应该不会拿到无效链接才对，我们做了配置调整。
我们看下 druid 跟链接时间相关的配置：
datasource.druid.validationQuery=SELECT 1
datasource.druid.validationQueryTimeout=2000
datasource.druid.testWhileIdle=true
datasource.druid.minEvictableIdleTimeMillis=100000
datasource.druid.timeBetweenEvictionRunsMillis=20000配置的每项的意思这里就不解释了。
我们启用了 testWhileIdle 配置，让每次拿取链接的时候发起检查。根据 timeBetweenEvictionRunsMillis 的配置只有大于这个时间 druid 才会发起检查，所以可能的场景是拿到一个即将过期的链接，根据这个线索我们调整这个时间为 20000ms，也就是超过 20s 会检查当前拿取的链接确定是否有效，检查的方式应该是使用 validationQuery 配置的 sql 语句才对，但是发现我们并找不到任何有关于 SELECT 1 的痕迹。
首先要搞清楚 validationQuery 为什么没起作用，带着这个疑问开始 debug druid 源码。
if (isTestWhileIdle()) {
final long currentTimeMillis = System.currentTimeMillis();
final long lastActiveTimeMillis = poolableConnection.getConnectionHolder().getLastActiveTimeMillis();
final long idleMillis = currentTimeMillis - lastActiveTimeMillis;
long timeBetweenEvictionRunsMillis = this.getTimeBetweenEvictionRunsMillis();
if (timeBetweenEvictionRunsMillis <= 0) {
timeBetweenEvictionRunsMillis = DEFAULT_TIME_BETWEEN_EVICTION_RUNS_MILLIS;
}
if (idleMillis >= timeBetweenEvictionRunsMillis) {
boolean validate = testConnectionInternal(poolableConnection.getConnection());
if (!validate) {
if (LOG.isDebugEnabled()) {
LOG.debug("skip not validate connection.");
}
discardConnection(realConnection);
continue;
}
}
}
}闲置时间肯定会有大于 timeBetweenEvictionRunsMillis 时间的，会发起 testConnectionInternal 方法检查。我们继续跟进去看，
protected boolean testConnectionInternal(DruidConnectionHolder holder, Connection conn) {
boolean valid = validConnectionChecker.isValidConnection(conn, validationQuery, validationQueryTimeout);
内部会使用 validConnectionChecker 检查对象发起检查。
public boolean isValidConnection(Connection conn, String validateQuery, int validationQueryTimeout) throws Exception {
if (conn.isClosed()) {
return false;
}
if (usePingMethod) {
if (conn instanceof DruidPooledConnection) {
conn = ((DruidPooledConnection) conn).getConnection();
}
if (conn instanceof ConnectionProxy) {
conn = ((ConnectionProxy) conn).getRawObject();
}
if (clazz.isAssignableFrom(conn.getClass())) {
if (validationQueryTimeout < 0) {
validationQueryTimeout = DEFAULT_VALIDATION_QUERY_TIMEOUT;
}
try {
ping.invoke(conn, true, validationQueryTimeout * 1000);
} catch (InvocationTargetException e) {
Throwable cause = e.getCause();
if (cause instanceof SQLException) {
throw (SQLException) cause;
}
throw e;
}
return true;
}
}
String query = validateQuery;
if (validateQuery == null || validateQuery.isEmpty()) {
query = DEFAULT_VALIDATION_QUERY;
}
Statement stmt = null;
ResultSet rs = null;
try {
stmt = conn.createStatement();
if (validationQueryTimeout > 0) {
stmt.setQueryTimeout(validationQueryTimeout);
}
rs = stmt.executeQuery(query);
return true;
} finally {
JdbcUtils.close(rs);
JdbcUtils.close(stmt);
}
}debug 这里才发现，druid 默认采用的是 mysql.ping 来做链接有效性检查。
那是不是用 msyql.ping 协议并不会让 mysql 重新滑动 session 闲置时间，带着这个问题打开 __information_schema.processlist__ 进程列表查看会不会刷新会话时间，通过 debug发现是会刷新时间的，说明没有问题，这条线索算是断了。
调整方向，开始怀疑是不是 haproxy 的一些策略导致链接失效，开始初步怀疑 haproxy 的轮训转发后端链接是不是有相关会话保持方式，是不是我们配置有误导致 haproxy 的链接和 mysql 链接篡位了。
当然这个猜想有点夸张，但是没办法，技术人员就要有怀疑一切的态度。
为了还原产线的网络路线，我在本地搭了一个 haproxy，了解下他的工作原理和配置，图方便我就用了yum顺手装了一个，版本是 HA-Proxy version 1.5.18 不知道是我本地环境问题还是这个版本的 bug，我们配置的 mode tcp 活动检查一直不生效。
listen service 127.0.0.1:60020
mode tcp
balance roundrobin
option tcplog
server server1 192.168.36.66:3306 check inter 2000 rise 2 fall 3
server server2 192.168.36.66:3306 check inter 2000 rise 2 fall 3由于 haproxy 活动检查一直不通过，所以无法转发我的链接，搞了半天我只能手动装了一个低版本的 haproxy HA-Proxy version 1.4.14 。
完整的配置：
defaults
mode tcp
retries 3
option redispatch
option abortonclose
maxconn 32000
timeout connect 2s
timeout client 5m
timeout server 5m
listen test1
bind 0.0.0.0:60000
mode tcp
balance roundrobin
server s1 192.168.36.66:3306 weight 1 maxconn 10000 check inter 10s
server s2 192.168.36.66:3306 weight 1 maxconn 10000 check inter 10s
server s3 192.168.36.66:3306 weight 1 maxconn 10000 check inter 10s1.4 的版本顺利完成活动检查。
我使用 haproxy 进行debug，调试下来也都没有问题，也翻了下 haproxy 如何转发链接的，内部通过会话的方式保持两个链接的关系，如果是 tcp 长链接应该不会出现什么问题。haproxy 在 http 模式下有会话保持方式，tcp 应该是直接捆绑的方式，一旦到 timeout 时间会主动 close 和 mysql 的链接，而且没有出现篡位的问题。到这里线索又断了。
没有办法，只能试着埋点 druid 的检查日志，排查内部上一次的 check和报错之间的时间差和 connectionId 是不是一致的。
public class MySqlValidConnectionCheckerDebug extends MySqlValidConnectionChecker {
@Override
public boolean isValidConnection(Connection conn, String validateQuery, int validationQueryTimeout) {
Long connId = 0L;
try {
Field connField = ConnectionImpl.class.getDeclaredField("connectionId");
connField.setAccessible(true);
connId = (Long) connField.get(((ConnectionProxyImpl) conn).getConnectionRaw());
} catch (Exception e) {
log.error("valid connection error", e);
} finally {
log.info("valid connection ok. conn:" + connId);
}
return true;
}为了拿到 connectionId 只能反射获取，在本地debug下没问题，能正常拿到 connectionId，但是发到验证环境进行验证的时候报错了，觉得奇怪，仔细看了下原来开发环境的配置和验证和生产的不一样，开发环境没有走读写分离。
验证和生产都是使用了 mysql 的 replication 的机制，所以导致我反射获取的代码报错。
datasource.druid.url=jdbc:mysql:replication通过debug发现，原来 druid的 connection 是 JDBC4Connection ，变成了 ReplicationConnection ，而且里面包装了两个 connection ，一个 masterconnection ，一个 slaveconnection ，似乎问题有点浮现了。
通过debug发现 druid 的检查还是会正常走到，当走到 ReplicationConnection 内部的时候 ReplicationConnection 有一个 currentConnection ，这个链接是会在 masterConnection 和 slaveConnection 之间切换，切换的依据是 readOnly 参数。
在检查的时候由于 druid 并不感知上层的参数，readOnly 也就不会设置。所以走的是 masterConnection ，但是在程序里用的时候通过 spring 的 TransactionManager 将 readOnly 传播到了 ShardingJDBC ， ShardingJDBC 在设置到 ReplicationConnection 上，最后导致真正在使用的时候其实使用的是 slaveConnection。
找到这个问题之后去 druid github Issues 搜索了下果然有人提过这个问题，在高版本的 druid 中已经修复这个问题了。
修复这个问题有两个方法，第一个方法，建议升级 druid，里面已经有 MySqlReplicationValidConnectionChecker 检查器专门用来解决这个问题。第二个方法就是自己实现 ValidConnectionChecker 检查器，但是会有在将来出现bug的可能性。
由于时间关系文章只讲了主要的排查路线，事实上我们陆续花了一周多时间，再加上周末连续趴上十几个小时才找到这根本问题。
这个问题之所以难定位的原因主要是牵扯的东西太多，框架层面、网络链接层面、mysql服务器层面，haproxy代理等等，当然其中也绕了很多弯路。。
下面分享在这个整个排查过程中的一些技术收获。
1.mysqlConenction提供了ping方法用来做活动检查，默认MySqlValidConnectionChecker使用的是pinginternal。
ping = clazz.getMethod("pingInternal", boolean.class, int.class);2.低版本的druid不支持自定义 ValidConnectionChecker 来做个性化的检查。
3.druid 的test方法使用注意事项，testOnBorrow 在获取链接的时候进行检查，与testWhileIdle是互斥关系。
if (isTestOnBorrow()) {
} else {
if (isTestWhileIdle()) {3.kill mysql processlist 进程会话到链接端tcp状态有延迟，这是tcp的四次断开延迟。
4.haproxy 1.5.18 版本 mode tcp check不执行，健康检查设置无效。
5.mysql replication connection master/slave切换逻辑需要注意，会不会跟上下游的链接池组合使用出现bug，尤其是分库不表、读写分离、自定义分片。
6.排查mysql服务器的问题时，打开各种日志，操作日志，binlog日志。
7.springtransactionmanagenent 事务传播特性会影响下游数据源的选择，setreadonly、setautocommit。
8.低版本的 druid MySqlValidConnectionChecker 永远执行不到 ReplicationConnection ping 方法。
作者：王清培(沪江网资深架构师)
另外有需要云服务器可以了解下创新互联scvps.cn，海内外云服务器15元起步，三天无理由+7*72小时售后在线，公司持有idc许可证，提供“云服务器、裸金属服务器、高防服务器、香港服务器、美国服务器、虚拟主机、免备案服务器”等云主机租用服务以及企业上云的综合解决方案，具有“安全稳定、简单易用、服务可用性高、性价比高”等特点与优势，专为企业上云打造定制，能够满足用户丰富、多元化的应用场景需求。
